Multimodal
Se dit d'un modèle d'IA capable de comprendre ou de produire plusieurs types de contenus : texte, image, son, vidéo.
En clair
Un assistant multimodal peut lire une photo, un tableau numérisé ou une capture d'écran, écouter un message vocal, répondre à l'oral ou créer une image. Les grands assistants du marché le sont devenus, à des degrés divers selon les offres.
C'est utile quand l'information n'est pas écrite : un ticket de caisse, un schéma, une photo de chantier. Les mêmes précautions s'appliquent : une photo peut contenir des données personnelles, et la lecture d'une image peut se tromper.
Un exemple dans une petite entreprise
Un plombier photographie la plaque signalétique d'une chaudière ancienne et demande à l'assistant le modèle, l'année probable et les pièces d'usure courantes. Il vérifie la référence chez son fournisseur avant de commander.